DE10050062A1 - Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung - Google Patents

Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung

Info

Publication number
DE10050062A1
DE10050062A1 DE10050062A DE10050062A DE10050062A1 DE 10050062 A1 DE10050062 A1 DE 10050062A1 DE 10050062 A DE10050062 A DE 10050062A DE 10050062 A DE10050062 A DE 10050062A DE 10050062 A1 DE10050062 A1 DE 10050062A1
Authority
DE
Germany
Prior art keywords
artificial neurons
neuron
artificial
couplings
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
DE10050062A
Other languages
English (en)
Inventor
Silvia Dr Corchs
Gustavo Deco
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to DE10050062A priority Critical patent/DE10050062A1/de
Publication of DE10050062A1 publication Critical patent/DE10050062A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

Die Anordnung weist eine Vielzahl künstlicher Neuronen auf, die über gewichtete Kopplungen miteinander sowie mit einem Synchronisationselement gekoppelt sind sowie ein Dämpfungselement, das die Ausgabe von Ausgabewerten einiger Neuronen dämpfen oder unterdrücken kann.

Description

Die Erfindung betrifft eine Anordnung zum Ermitteln der Position eines Objekts in einem Bild sowie ein Verfahren zum Trainieren der Anordnung.
Eine solche Anordnung sowie ein solches Trainingsverfahren sind aus [1] bekannt.
Die in [1] beschriebene Anordnung weist eine Vielzahl von gepulsten künstlichen Neuronen auf, um die neurale Aktivität des primären visuellen Kortex zu simulieren, um auf diese Weise in einem von einer Kamera aufgenommenen Bild, beispielsweise ein über ein visuelles Feld aufgenommenes Bild, welches visuelle Feld gebildet wird durch matrixförmig angeordnete Neuronen, die Position eines Objekts aus einer Menge vorgegebener Objekte in dem Bild zu ermitteln.
In [1] ist die Anordnung einem Experiment unterzogen worden, bei dem das Verhalten der gepulsten künstlichen Neuronen untersucht worden aufgrund einer Anregung durch Lichtstreifen, die über das von gepulsten künstlichen Neuronen gebildeten rezeptive Feld als Bilderfassungselement erfasst worden sind.
In dieser Anordnung zeigte sich gemäß [1] eine Spalten- Vorzugsrichtung entsprechend der über die gepulsten künstlichen Neuronen geführten Lichtstreifen.
Weiterhin sind Grundlagen über gepulste künstliche Neuronen, insbesondere über sogenannte Integrations-Feuer-Neuronen in [2] beschrieben.
Der Erfindung liegt das Problem zugrunde, eine Anordnung zum Ermitteln der Position eines Objekts in einem Bild sowie ein Verfahren zum Trainieren dieser Anordnung mit einer Vielzahl künstlicher Neuronen anzugeben, welche die Positionserkennung basierend auf der modellierten visuellen Wahrnehmung eines Menschen in verbesserter Weise ermöglicht.
Das Problem wird durch die Anordnung zum Ermitteln der Position eines Objekts in einem Bild sowie durch das Verfahren zum Trainieren dieser Anordnung mit den Merkmalen gemäß den unabhängigen Patentansprüchen gelöst.
Mittels einer Anordnung wird die Position eines Objekts in einem Bild ermittelt, wobei das Objekt mit mindestens einem Merkmal, üblicherweise mit einer Mehrzahl oder Vielzahl von Merkmalen beschrieben wird, wobei jedem Merkmal eine vorgegebene Anzahl von Merkmalswerten zugeordnet sind.
Die Anordnung weist eine Vielzahl künstlicher Neuronen auf, denen erfasste elektrische Signale, die zumindest einen Teil des Bildes beschreiben, zuführbar sind.
Die künstlichen Neuronen, die beispielsweise als künstliche Neuronen, können insbesondere als Integrations-Feuer-Neuronen ausgestaltet sind, selbst ein rezeptives Feld bilden, mittels dem über optische Sensoren Helligkeitsinformation (Luminanzinformation) und Farbinformation (Chrominanzinformation) erfasst wird.
Alternativ ist es vorgesehen, mittels einer Kamera, beispielsweise einer analogen Kamera oder einer digitalen Kamera, Bildsignale aufzuzeichnen, und aus den Bildsignalen ein digitalisiertes Bild zu ermitteln, welches eine Vielzahl von Bildpunkten aufweist, denen Helligkeitsinformation und/oder Farbinformation zugeordnet ist.
Die künstlichen Neuronen sind zumindest teilweise in Neuronenschichten angeordnet, wobei jeweils eine Neuronenschicht vorgesehen ist für jeden Merkmalswert eines jeweiligen Merkmals.
Anschaulich bedeutet dies, dass bei einer Beschreibung eines Objekts mit K Merkmalen, wobei jedes Merkmal mit einem Merkmalsindex k (k = 1, . . ., K) eindeutig bezeichnet wird, L(k) Merkmalswerte vorgesehen sind.
Wird beispielsweise ein Objekt beschrieben mittels des Merkmals "Farbe des Objekts", so kann ein Merkmalswert L(k) des Merkmals "Farbe des Objekts" eine beliebige Farbangabe sein, beispielsweise die Farbangabe "weiß" oder "schwarz". Dies bedeutet, dass in diesem Falle die Anzahl von Merkmalswerten des Merkmals "Farbe des Objekts" L(Farbe) = 2, mit l = 1 als Merkmalswerteindex (l = 1, . . ., L(k)) für die Farbe "weiß" und l = 2 als Merkmalswerteindex für die Farbe "schwarz".
In diesem Fall sind zwei Neuronenschichten für das Merkmal "Farbe des Objekts" vorgesehen, eine Neuronenschicht, die die Existenz der Farbe "weiß" charakterisiert und eine Neuronenschicht zur Charakterisierung der Existenz der Farbe "schwarz" in dem jeweils erfassten Bildbereich.
Jede Neuronenschicht weist eine vorgebbare Anzahl n von künstlichen Neuronen auf, die vorzugsweise als Integrations- Feuer-Neuronen ausgestaltet sind.
Die künstlichen Neuronen sind zumindest teilweise über gewichtete Kopplungen miteinander gekoppelt, so dass von einem Neuron ausgegebene Signale über die jeweilige Kopplung mittels der entsprechenden Gewichtung gewichtet dem jeweils gekoppelten künstlichen Neuron als Eingangssignal zugeführt wird.
Ferner ist zur Synchronisation der künstlichen Neuronen ein Synchronisationselement vorgesehen, welches mit den einzelnen künstlichen Neuronen über erste gewichtete Kopplungen gekoppelt ist.
Das Synchronisationselement ist derart eingerichtet, dass in einer Trainingsphase die gewichteten ersten Kopplungen zwischen dem Synchronisationselement und den künstlichen Neuronen abhängig von den einzelnen Trainingsergebnissen, das heißt insbesondere abhängig von den durch die künstlichen Neuronen durch Anlegen eines Trainingsobjekts erzeugten Trainings-Ausgangssignale, das heißt eines Trainingsbildes als Ausgabewerte der einzelnen Neuronen und durch entsprechenden Vergleich mit den Zielmerkmalswerten des Zielobjekts verändert werden können.
Ferner ist in der Anordnung ein Dämpfungselement vorgesehen, welches über zweite Kopplungen, die ebenfalls gewichtbar sind, mit den künstlichen Neuronen gekoppelt ist.
Mit dem Dämpfungselement kann zumindest bei einem Teil der künstlichen Neuronen die Ausgabe eines Ausgabewertes, der zumindest einen Teil des Ermittlungsergebnisses repräsentiert, gedämpft oder unterdrückt werden.
Gemäß einer Ausgestaltung der Erfindung ist es vorgesehen, dass in jeder Neuronenschicht jeweils nur die Ausgabe eines Ausgabewertes von einem künstlichen Neuron der jeweiligen Neuronenschicht ungedämpft ermöglicht ist und für die weiteren künstlichen Neuronen eine Dämpfung oder vollständige Unterdrückung der Ausgabe des Ausgabewertes der jeweiligen Neuronen vorgesehen ist.
Durch die oben genannte Struktur der Anordnung ist es möglich, eine den neuesten Forschungsergebnissen der Modellierung der visuellen Wahrnehmung im menschlichen Gehirn zu realisieren.
Die Anordnung ist sehr effizient und die Ermittlung eines Objekts aufgrund der Merkmale, die mittels der Anordnung erfasst werden, erfolgt sehr schnell.
Damit ist es möglich ist, selbst komplexe Strukturen, das heißt Objekte mit sehr vielen unterschiedlichen Merkmalen und in den Merkmalen mit einer sehr großen Anzahl von unterschiedlichen Merkmalswerten zu berücksichtigen, und somit auch eine sehr komplexe Wahrnehmung vielseitiger Bilder mit einer großen Anzahl unterschiedlicher Objekte im Rahmen
  • - des "automatischen Sehens" in der Robotik,
  • - einer Textanalyse. oder auch
  • - der Medizintechnik, beispielsweise bei der automatisierten Auswertung von Bildaufnahmen eines Patienten, beispielsweise im Rahmen der Tumorerkennung,
  • - der Auswertung von Elektroenzephalogrammen oder Elektrokardiogrammen,
zu ermöglichen.
Die Anordnung zeichnet sich insbesondere durch ihre sehr einfache Struktur aus, mit der es dennoch möglich ist, sehr effizient grundsätzlich eine beliebige Anzahl von Objekten mit einer beliebigen Anzahl von Merkmalen und Merkmalswerten zu verarbeiten.
Das Synchronisationselement ist gemäß einer Ausgestaltung der Erfindung derart eingerichtet, dass es während der Trainingsphase zumindest einen Teil der gewichteten ersten Kopplungen, die zu den künstlichen Neuronen führen, deren Ausgabewerte mit den entsprechenden Zielmerkmalswerten des Zielobjekts übereinstimmen, einer stärkeren Gewichtsveränderung in Konvergenz-Richtung zu den Zielmerkmalswerten durchgeführt als die Gewichtung der weiteren ersten Kopplungen der restlichen künstlichen Neuronen, die während der Trainingsphase zu einem präsentierten Objekt Ausgabewerte liefern, die nicht mit den Zielmerkmalswerten des Zielobjekts übereinstimmen.
Gemäß einer weiteren Ausgestaltung der Erfindung ist es vorgesehen, die Gewichtsveränderung und/oder die Gewichte der ersten Kopplungen der künstlichen Neuronen jeweils in gleicher Weise zu verändern bzw. auf einen gleichen Wert zu verändern, wobei bevorzugt betragsmäßig sowohl für die gewichteten Kopplungen der künstlichen Neuronen mit den mit den Zielmerkmalswerten übereinstimmenden Ausgabewerten erzeugenden Neuronen und die weiteren künstlichen Neuronen zu verändern, wobei jedoch die beiden Arten der zweiten Kopplungen jeweils mit unterschiedlichen Vorzeichen in ihrer Gewichtsveränderung bearbeitet werden.
Anders ausgedrückt bedeutet dies, dass die ersten Kopplungen von den künstlichen Neuronen, deren Ausgabewerte mit den Zielmerkmalswerten des Zielobjekts übereinstimmen, jeweils mit einem ersten Gewichtswert gewichtet werden oder um einen vorgebbaren ersten Gewichtswert verändert werden und die weiteren zweiten Kopplungen der weiteren künstlichen Neuronen, deren Ausgabewerte nicht mit den Zielmerkmalswerten des Zielobjekts übereinstimmen, auf den negativen ersten Gewichtswert gesetzt werden bzw. um den negativen ersten Gewichtswert verändert werden.
Gemäß einer weiteren Ausgestaltung der Erfindung ist es vorgesehen, innerhalb jeder Neuronenschicht eine vollständige Verknüpfung der jeweils in einer Neuronenschicht vorhandenen künstlichen Neuronen vorzusehen.
Durch diese vollständige Verknüpfung der künstlichen Neuronen innerhalb einer Neuronenschicht wird eine weitere Beschleunigung des Konvergenzverhaltens während der Trainingsphase erreicht.
Gemäß einer weiteren Ausgestaltung der Erfindung ist es vorgesehen, die Gewichtsveränderungen und/oder die Gewichtungen der zweiten Kopplungen während der Trainingsphase gleich auszugestalten.
Auf diese Weise wird die Anordnung in ihrer Struktur und in ihrem Konvergenzverhalten weiter vereinfacht bzw. beschleunigt.
Wie oben angegeben ist gemäß einer weiteren Ausgestaltung der Erfindung zumindest ein Teil der künstlichen Neuronen als ein gepulstes künstliches Neuron, vorzugsweise als ein Integrations-Feuer-Neuron, ausgestaltet.
Unter einem Integrations-Feuer-Neuron ist ein künstliches Neuron zu verstehen, dessen dynamisches Verhalten als Oszillator modelliert wird, mit einer Phase Φ, wobei das Verhalten des Integrations-Feuer-Neurons folgender Vorschrift genügt:
Wenn der Wert der Phase Φ = 2.π ist, so wird die Phase Φ auf den Wert Null zurückgesetzt und der Wert wird erneut gemäß Vorschrift (1) akkumuliert.
Das Zurücksetzen impliziert das Ereignis des Feuerns des künstlichen Neutrons und bildet anschaulich das Membranpotential eines menschlichen biologischen Neurons nach.
Die Amplitude a(t) repräsentiert die intrinsische Aktivität des Neurons und die externe Stimulierung des jeweiligen Neurons.
Gemäß einer weiteren Ausgestaltung der Erfindung ist es vorgesehen, dass zumindest ein Teil der künstlichen Neuron einer Neuronenschicht jeweils mit einem künstlichen Neuron zumindest eines Teils der anderen Neuronenschichten gekoppelt ist.
Es sind in diesem Zusammenhang jeweils künstliche Neuronen unterschiedlicher Neuronenschichten miteinander gekoppelt, die sich innerhalb der jeweiligen Neuronenschichten an der gleichen örtlichen Position, üblicherweise bezeichnet über Indizes (i als Zahlenindex und j als Spaltenindex zur eindeutigen Identifizierung des jeweiligen künstlichen Neurons innerhalb einer Neuronenschicht, in der sie matrixförmig angeordnet sind) identifiziert werden.
Bei einem Verfahren zum Trainieren der oben genannten Anordnung zum Ermitteln der Position eines Objekts in einem Bild werden beispielsweise über ein rezeptives Feld, gebildet durch künstliche Neuronen, elektrische Signale, beispielsweise elektrische Sensorsignale, die Helligkeitsinformation und/oder Farbinformation der erfassten Umgebung des optischen Sensors repräsentieren, erfasst.
Aufgrund der erfassten Signale werden von den künstlichen Neuronen Ausgabewerte erzeugt.
Die Ausgabewerte werden mit den vorgegebenen Zielmerkmalswerten des Zielobjekts, welches dem rezeptiven Feld der Anordnung zu dessen Erfassung dargestellt wird, und aufgrund dessen die erfassten Signale erzeugt werden, verglichen.
Die Gewichte der ersten Kopplungen der künstlichen Neuronen, die einen Ausgabewert erzeugen, der mit dem Zielmerkmalswert des Zielobjekts übereinstimmt, werden verändert.
Ein Computerprogramm-Element ist in dem Speicher eines Prozessors gespeichert und weist, wenn es durch von einem Prozessor eines Computers ausgeführt wird, die oben genannten Schritte zum Ermitteln eines Objekts auf.
Die oben beschriebenen Schritte weist ferner ein in einem computerlesbaren Speichermedium gespeichertes Computerprogramm auf, wenn es von einem Prozessor eines Computers ausgeführt wird.
Die Anordnung kann sowohl durch eine spezielle elektronische Schaltung in Hardware realisiert sein, wobei die einzelnen künstlichen Neuronen in diesem Fall als einzelne elektronische Bauelemente realisiert sein können oder alternativ mittels eines Computerprogramms in Software.
Ein Ausführungsbeispiel der Erfindung ist in den Figuren dargestellt und wird im Weiteren näher erläutert.
Es zeigen
Fig. 1 ein Blockdiagramm eines Computers, mit dem das Ausführungsbeispiel der Erfindung realisiert ist;
Fig. 2 ein Blockdiagramm, welches die Struktur der Anordnung zum Ermitteln eines Objekts gemäß einem Ausführungsbeispiel der Erfindung darstellt.
Fig. 1 zeigt eine Computer-Anordnung 100, die eine digitale Kamera 101 aufweist, die eine vorgegebene Szene 102, in der während einer Trainingsphase mindestens ein Zielobjekt enthalten ist, aufnimmt.
Die aufgenommenen Bildpunkte, denen Helligkeitsinformation und/oder Farbinformation zugeordnet ist, werden als digitalisiertes Bild 103 von der Kamera 101 über ein erstes Kabel 104 einem Personal Computer 105 über dessen Eingangs- /Ausgangs-Schnittstelle 106 zugeführt und in dessen Speicher 107, der mit der Eingangs-/Ausgangs-Schnittstelle 106 über einen Computerbus 108 gekoppelt ist, gespeichert.
Jedes zu ermittelnde Objekt, welches in der Trainingsphase in seinen Merkmalen zum Trainieren der im Weiteren beschriebenen Anordnung dient, wird mit einzelnen Merkmalen beschrieben, wobei jedem Merkmal eine vorgebbare Anzahl von Merkmalswerten zugeordnet ist.
Das Tupel (Objekt, Merkmal, Merkmalswert) ist jeweils in dem Speicher 107 des Personal Computers 105 gespeichert.
Ferner ist die Struktur der im Weiteren beschriebenen Anordnung in einem Computerprogramm-Element 109, welches ebenfalls in dem Speicher 107 gespeichert ist, enthalten.
Alternativ kann selbstverständlich die im Weiteren beschriebene und in Fig. 2 dargestellte Struktur der Anordnung auch in Hardware mittels einer speziellen elektronischen Schaltung realisiert werden.
Das Computerprogramm-Element 109 wird mittels eines mit dem Speicher 107 ebenfalls über den Computerbus 108 gekoppelten Prozessor 110 ausgeführt.
Weiterhin ist der Personal Computer 105
  • - über ein zweites Kabel 111, welches ebenfalls mit der Eingangs-/Ausgangs-Schnittstelle 106 gekoppelt ist, mit einem Bildschirm 112 verbunden,
  • - über ein drittes Kabel 113 mit einer Tastatur 114, und
  • - über ein viertes Kabel 115 mit einer Computermaus 116.
Im Weiteren wird davon ausgegangen, dass, wie in Fig. 2 gezeigt ist, das aufgenommene Bild, beispielsweise mittels eines rezeptiven Feldes oder der Kamera 101, wie in Fig. 2 mittels des erfassten Bildes 201 symbolisiert ist, der Anordnung 200 zum Ermitteln eines Objekts in dem Bild 201 eingegeben.
Es wird gemäß diesem Ausführungsbeispiel davon ausgegangen, dass die einzelnen künstlichen Neuronen zum Erfassen der einzelnen Bildpunkte als gepulste künstliche Neuronen, gemäß diesem Ausführungsbeispiel als Integrations-Feuer-Neuronen, ausgestaltet sind.
Die einzelnen Bildpunkte werden über einen Zeilenindex i und einen Spaltenindex j jeweils eindeutig identifiziert, wobei für jeden Bereich ij jeweils mindestens ein künstliches Neuron vorgesehen ist, wie im Weiteren beschrieben wird.
Die Dimension der Matrix aller Bildpunkte ist bei S Bildpunkten pro Zeile i und S Bildpunkten pro Spalte j gleich S × S, das heißt die Anzahl der dargestellten Bildpunkte, das heißt ebenfalls die Anzahl der erfassten Bildpunkte, ist S2.
Im Weiteren wird zur einfacheren Darstellung der Erfindung davon ausgegangen, dass jeweils zwei Bildpunkte, das heißt zwei Bildelemente pro Spalte und zwei Bildelemente pro Zeile betrachtet werden.
Dies bedeutet, es sind in diesem Fall vier Bildelemente gemäß diesem Ausführungsbeispiel zu betrachten.
Allgemein ist jedoch zu bemerken, dass eine grundsätzlich beliebige Anzahl von Bildpunkten pro Zeile und Spalte berücksichtigt und verarbeitet werden kann, lediglich begrenzt durch die zur Verfügung stehende Rechenkapazität.
Jedem Bildelement sind zur Beschreibung eines in dem Bildelement sich befindenden Objekts K Merkmale definiert.
Jedem Merkmal k (k = 1, . . ., K) eines Objekts ist eine vorgebbare Anzahl L(k) von Merkmalswerten l (l = 1, . . ., L(k)) zugeordnet.
Gemäß diesem Ausführungsbeispiel ist ein Merkmal "Farbe des Objekts" definiert, dem die Merkmalswerte "weiß" und "schwarz" zugeordnet sind.
Anders ausgedrückt bedeutet dies, dass die Anzahl L(Farbe des Objekts) gleich 2 ist und l = 1 den Merkmalswert "weiß" des Objekts und l = 2 den Merkmalswert "schwarz" des Objektes bezeichnet.
Ein zweites Merkmal ist gemäß diesem Ausführungsbeispiel das Merkmal "Größe des Objekts".
Dem Merkmal "Größe des Objekts" ist eine Anzahl von L(Größe des Objekts) = 2 Merkmalswerten zugeordnet mit
  • - l = 1 für eine Größe des Objekts "groß", und
  • - l = 2 für eine Größe des Objekts "klein".
Für jedes Merkmal sind L(k) Neuronenschichten vorgesehen, die jeweils die Existenz des jeweiligen Merkmalswerts beschreiben.
Somit sind in der Anordnung 200 zwei Zeilen 202, 203 vorgesehen, eine erste Zeile 202 von Neuronen für das Merkmal "Farbe des Objekts" und eine zweite Zeile 203 von Neuronen für das Merkmal "Größe des Objekts".
In einer ersten Neuronenschicht 204 der ersten Zeile 202 ist der Merkmalswert "weiß" repräsentiert und in einer zweiten Neuronenschicht 205 der ersten Zeile 202 der Neuronen ist der Merkmalswert "schwarz" repräsentiert.
In einer ersten Neuronenschicht 206 der zweiten Zeile 203 ist der Merkmalswert "groß" repräsentiert und in der zweiten Neuronenschicht 207 der zweiten Teile 203 von künstlichen Neuronen ist der Merkmalswert "klein" repräsentiert.
Jede Neuronenschicht 204, 205, 206, 207 wird gebildet durch eine Spalte von N künstlichen Neuronen, die als Integrations- Feuer-Neuronen ausgestaltet sind.
Im Weiteren wird das Verhalten eines gepulsten künstlichen Neurons, wie es im Zusammenhang mit diesem Ausführungsbeispiel angenommen wird, beschrieben.
Die Dynamik jedes künstlichen Neurons wird mittels einer Phase Φ modelliert, wobei die Dynamik gemäß folgender Vorschrift beschrieben wird:
wobei mit
  • - Φ die Phase, und
  • - a(t) die Amplitude des Signals
bezeichnet wird.
Wenn der Wert der Phase Φ = 2.π ist, so wird die Phase Φ auf den Wert Null zurückgesetzt und der Wert wird erneut gemäß Vorschrift (1) akkumuliert.
Das Zurücksetzen impliziert das Ereignis des Feuerns des künstlichen Neutrons und bildet anschaulich das Membranpotential eines menschlichen biologischen Neurons nach.
Die Amplitude a(t) repräsentiert die intrinsische Aktivität des Neurons und die externe Stimulierung des jeweiligen Neurons.
Sind zwei künstliche Neuronen miteinander gekoppelt, wobei ein erstes künstliches Neuron die Phase Φ und ein zweites künstliches Neuron mittels einer zweiten Phase ϕ beschrieben wird, interagieren miteinander auf folgende Weise:
Wenn das erste künstliche Neuron feuert, so wird die zweite Phase ϕ des zweiten künstlichen Neurons um einen vorgebbaren Wert ε < 0 erhöht mit der Ausnahme, dass für den Fall, dass ϕ(t) + ε den Wert 2 × π übersteigt, der zweiten Phase ϕ der Wert 2.π zugeordnet wird.
Anders ausgedrückt interagieren die beiden künstlichen Neuronen gemäß folgender Vorschrift:
Φ(t) = 2.π ⇒ ϕ(t+) = min(2.π, ϕ(t) + ε). (2)
Auf diese Weise wird gewährleistet, dass symmetrisch gekoppelte Paare von künstlichen Neuronen in einer endlichen Zeit perfekt synchronisiert werden.
Sind N identische künstliche Neuronen mit einer vollständigen gegenseitigen Kopplung miteinander gekoppelt gemäß
wie dies in jeweils einer Neuronenschicht 204, 205, 206, 207 mittels der ersten Kopplungen 208, 209, 210, 211 der Fall ist, so kann ein solches System ebenfalls in einer endlichen Zeit perfekt synchronisiert werden.
Bei einem solches System, werden die ersten Kopplungen der künstlichen Neuronen innerhalb einer Neuronenschicht durch folgende Vorschriften beschrieben:
Φj(tj) = 0, (5)
wobei mit
  • - K eine positive Konstante bezeichnet wird, die die Kopplungsstärke repräsentiert, und
  • - ηi ein Rauschen bezeichnet wird, mit statistischer gaussianischer Wahrscheinlichkeitsdichteverteilung gemäß folgender Vorschrift:
ηi
(t) = 0, (6)
ηi(t)ηj(t') = σ2.δij.δ(t - t'), (7)
mit σ2 als Standardabweichung, wobei der letzte Term der Vorschrift (4) die Dichte der Spikes pro künstlichem Neuron gemäß folgender Vorschrift bezeichnet:
wobei mit t (k)|j ein Wert bezeichnet wird, der die Zeit des k- ten Feuerns des j-ten künstlichen Neurons beschreibt.
Das Verhalten eines solchen Systems mit einer Vielzahl vollständig miteinander gekoppelter künstlicher Neuronen kann wie folgt zusammengefasst werden:
  • - Bei einer kleinen Konstante K erfolgt kein gemeinsames Feuern der miteinander verbundenen künstlichen Neuronen;
  • - Für den Fall, dass der Quotient K/σ2 groß ist und der Wert a stark genug ist, um ein wiederholtes Feuern der Neuronen zu gewährleisten, so kann man folgendes Verhalten feststellen:
  • - Für einen festen Wert a, der groß genug ist, verhält sich jedes Neuron als ein Oszillator;
    ist der Quotient K/σ2 ausreichend klein, so bleibt die gesamte Aktivität der miteinander gekoppelten künstlichen Neuronen konstant;
    ist der Quotient K/σ2 ausreichend groß, so beginnen sich die Phasen der künstlichen Neuronen zu synchronisieren;
  • - Ist die Konstante K sehr viel größer als σ2, das heißt wenn gilt
    K << σ2, (9)
    und wenn der Wert a klein ist, so ist die Wahrscheinlichkeit, dass die Phasen der künstlichen Neuronen den Wert 2.π erreichen, gering;
    wenn der Wert a größer wird, so beginnen die künstlichen Neuronen damit, synchron zu feuern.
Zusammenfassend ist somit zu bemerken, dass jede Neuronenschicht eindeutig über die Indizes ijkl identifizierbar ist.
Innerhalb jeder Neuronenschicht 204, 205, 206, 207 sind die jeweils N künstlichen Neuronen vollständig miteinander verknüpft, das heißt jedes künstliche Neuron ist mit jedem weiteren künstlichen Neuron der gleichen Neuronenschicht 204, 205, 206, 207 gekoppelt.
Die Kopplungen zwischen den künstlichen Neuronen einer Neuronenschicht 204, 205, 206, 207 werden im Weiteren als erste Kopplungen 208, 209, 210, 211 bezeichnet, die mit einem ersten Gewichtungsfaktor K1 gewichtet sind, das heißt jedes Signal, welches über eine erste Kopplung 208, 209, 210, 211 angelegt ist, wird dem jeweiligen Neuron am Ende der ersten Kopplung 208, 209, 210, 211 als mit dem Gewichtungsfaktor K1 multipliziert gewichtet zugeführt.
Ein künstliches Neuron in einer Neuronenschicht 204, 205, 206, 207 an der Position ij ist ferner über eine zweite Kopplung 212 jeweils gekoppelt mit einem künstlichen Neuron jeder anderen Neuronenschicht 204, 205, 206, 207, welches sich an der gleichen örtlichen Position, beschrieben durch den Spaltenindex j und den Zeilenindex i, das heißt in einer Neuronenschicht k' ≠ k, gekoppelt.
Die Gewichtung der zweiten Kopplungen 212 erfolgt mittels eines zweiten Gewichtungsfaktors K2.
Ferner ist ein Synchronisationselement 213, das im Weiteren auch als zentraler Oszillator bezeichnet wird, enthalten, mit dem Zielmerkmalswerte des Zielobjekts, das heißt eines Objekts, welches in einer Trainingsphase der Anordnung 200 präsentiert wird und dessen Merkmale bekannt sind und in dem Speicher 107 des Personal Computers 105 gespeichert sind, codiert werden.
Um die Anordnung 200 zu trainieren wird mittels des Synchronisationselements 213 eine Veränderung von dritten Gewichtsfaktoren K3, die dritte Kopplungen 214, 215, 216, 217, die eine Kopplung des Synchronisationselements 213 mit den jeweiligen künstlichen Neuronen bezeichnen verändert.
Die Veränderung erfolgt derart, dass alle künstlichen Neuronen, die einen Ausgabewert erzeugen, aufgrund des Zuführens der extrahierten Merkmale aus den erfassen Bildsignalen mit den jeweiligen Zielmerkmalswert des Zielobjekts übereinstimmt, eine dritte Kopplung Kattkl auf den Wert K3 gesetzt werden und die restlichen künstlichen Neuronen, deren Ausgabewerte nicht dem Zielmerkmalswert entsprechen, das heißt diejenigen künstlichen Neuronen, für die gilt l' ≠ l, werden über die dritten Kopplungen mit einem Gewichtungsfaktor Kattkl' = -K '|3 mit dem Synchronisationselement 213 gekoppelt.
Weiterhin ist ein Dämpfungselement 218 mit den künstlichen Neuronen über vierte Kopplungen 219, 220, 221, 222 gekoppelt, denen jeweils ein vierter Gewichtungsfaktor K4 zugeordnet ist.
Der vierte Gewichtungsfaktor K4 stellt anschaulich einen negativen Gewichtungsfaktor dar, um die Aktivität der jeweiligen gepulsten Neuronen, die mit den entsprechenden vierten Gewichtungsfaktoren als externe Stimulierung stimuliert werden, zu dämpfen oder sogar vollständig zu unterdrücken, so dass mit einer geringeren Wahrscheinlichkeit ein Ausgabewert überhaupt erzeugt wird, das heißt anschaulich, dass das künstliche Neuron mit einer geringeren Wahrscheinlichkeit feuert.
Unter der Annahme, dass eine sogenannte selektive Aufmerksamkeit aus einem unabhängigen Wettbewerbsmechanismus entlang der einzelnen Merkmalsdimensionen resultiert, ist jedes künstliche Neuron über das Dämpfungselement 218 mit dem negativen Gewichtungsfaktor K4 mit den weiteren künstlichen Neuronen gekoppelt, die zu der gleichen Neuronenschicht k gehören.
Anschaulich bedeutet dies, dass aufgrund der vierten Kopplung 219, 220, 221, 222 jeweils gewährleistet wird, dass in einer Neuronenschicht jeweils nur ein Neuron mit erheblicher Wahrscheinlichkeit feuert und die Aktivität der weiteren künstlichen Neuronen der gleichen Neuronenschicht gedämpft bzw. vollständig unterdrückt wird.
Die oben beschriebene Anordnung 200 wird gemäß folgender Vorschrift in ihrem Verhalten mittels einer Differentialgleichung beschrieben:
mit
i, j = 1, . . ., S,
k = 1, . . ., K,
l = 1, . . ., L,
n = 1, . . ., N,
wobei mit
  • - Aijkln die externe visuelle Eingabe bezeichnet wird, die mittels beispielsweise eines optischen Sensors gemäß dem Ausführungsbeispiel der digitalen Kamera, erfasst wird, die gegeben ist durch einen konstanten Wert ≠ 0, mit dem angegeben wird, dass der Merkmalswert l des Merkmals k an der örtlichen Position, bezeichnet durch die Indizes ij, vorhanden ist und den Wert 0 aufweist, wenn der entsprechende Merkmalswert l des Merkmals k an der Position ij nicht vorhanden ist, und
  • - J1 ijkl(t) und jOC die Wahrscheinlichkeitsdichten des Feuerns der künstlichen Neuronen entsprechend einer jeweiligen Neuronenschicht und dem Synchronisationselement gemäß Vorschrift (8) bezeichnet wird.
Die weiteren Wahrscheinlichkeitsdichten sind gegeben durch folgende Vorschriften:
Die Dynamik des Systems wird durch das Synchronisationselement 213 gesteuert gemäß folgender Vorschrift:
mit
n = 1, . . ., N,
wobei mit KOC der Gewichtsfaktor der Kopplung der jeweiligen künstlichen Neuronen einer Neuronenschicht mit dem Synchronisationselement 213 bezeichnet wird.
Die Größe J3(t) ergibt sich gemäß folgender Vorschrift:
wobei mit dem Index l der jeweilige Merkmalswert l bezeichnet wird.
Die Differentialgleichungen gemäß Vorschrift (13) für die n künstlichen Neuronen werden gelöst und für jede Neuronenschicht 204, 205, 206, 27 wird deren Aktivierung, die auch als Ausgabewert der künstlichen Neuronen bezeichnet wird, berechnet durch Bilden der Summe der entsprechenden erzeugten Spikes.
Es ist in diesem Zusammenhang anzumerken, dass nur von den Neuronenschichten 204, 205, 206, 207 eine Aktivität ≠ 0 aufweisen, die entsprechend der trainierten Gewichtung der einzelnen Kopplungen zwischen den künstlichen Neuronen ein trainiertes Merkmal bzw. einen trainierten und somit gespeicherten Merkmalswert erfassen.
Aufgrund der zweiten Kopplungen zwischen den künstlichen Neuronen unterschiedlicher Neuronenschichten 204, 205, 206, 207, die die gleiche örtliche Position innerhalb des Bildes 201 repräsentieren, jedoch unterschiedliche Merkmale bzw. Merkmalswerte charakterisieren, wird bei entsprechender Übereinstimmung, das heißt bei Feuern von Neuronen andere Neuronenschichten 204, 205, 206, 207 über die zweiten Kopplungen die Aktivierung der jeweils betrachteten künstlichen Neuronen weiter erhöht.
Die Neuronenschichten 204, 205, 206, 207 sind, wie oben beschrieben, mittels dritter Kopplungen 214, 215, 216, 217 mit dem Synchronisationselement 213 gekoppelt, gewichtet mit dem dritten Gewichtungsfaktor K3, wenn der entsprechende Merkmalswert mit dem Zielmerkmalswert übereinstimmt und mit dem negativen dritten Gewichtungsfaktor -K3, wenn dies nicht der Fall ist, empfangen weiterhin eine Signalverstärkung, multipliziert mit dem dritten Kopplungsfaktor K3 von dem Synchronisationselement 213, wobei anzumerken ist, dass die einzige Neuronenschicht 204, 205, 206, 207 eine solche Signalverstärkung erfährt, diejenige ist, die den gesuchten Merkmalswert repräsentiert.
Der angenommene Wettbewerbsmechanismus zwischen den einzelnen Merkmalsdimensionen ist in der Anordnung gemäß dem Ausführungsbeispiel dadurch implementiert, dass ein negativer dritter Gewichtungsfaktor -K3 für die dritten Kopplungen 214, 215, 216, 217 vorgesehen ist.
Ferner ist das Dämpfungselement 218 insbesondere dafür vorgesehen, dass jeweils die Neuronenaktivität der die jeweils anderen Merkmalswerte eines Merkmals repräsentierenden Neuronen gedämpft oder sogar vollständig unterdrückt wird.
Diejenigen Neuronenschichten 204, 205, 206, 207, die mit dem Synchronisationselement 213 synchronisiert sind, bestimmen den sogenannten Aufmerksamkeitsbereich innerhalb des Bildes 201.
Anschaulich bestimmen die einzelnen Gewichtungsfaktoren der Kopplungen zwischen den künstlichen Neuronen die Parameter, die die Steuerung, das heißt sowohl die Größe als auch den tatsächlichen örtlichen Bereich des Aufmerksamkeitsbereichs innerhalb des Bildes 201.
Diejenigen künstlichen Neuronen, die den entsprechenden Bereich innerhalb des Bildes 201 bezeichnen, in dem das gesuchte Objekt innerhalb des Bildes enthalten ist, wird durch die entsprechenden Aktivität, die von den künstlichen Neuronen der entsprechenden Neuronenschicht erzeugt werden, angegeben.
Während der Anwendungsphase wird der jeweilige Ausgabewert einer Auswerteeinheit 223 zugeführt und die Koordinatenangabe, das heißt die Bereichsangabe 224 (Position) des Bereichs, in dem sich das gesuchte Objekt innerhalb des Bildes 201 befindet, wird mittels einer Bereichsangabe 220 von der Auswerteeinheit ausgegeben, beispielsweise auf dem Bildschirm 112 des Personal Computers 105.
In diesem Dokument sind folgende Veröffentlichungen zitiert:
[1] T. Chawanya et al., A Model for Feature Linking via Collective Oscillations in the Primary Visual Cortex, Biological Cybernetics, Vol. 68, S. 483-490, 1993
[2] Y. Kuramoto, Collective Synchronization of Pulse-Coupled Oscillators and Excitable Units, Physica D, Vol. 50, S. 15-30, 1991

Claims (13)

1. Anordnung zum Ermitteln der Position eines Objekts in einem Bild, wobei das Objekt mit mindestens einem Merkmal beschrieben wird, welchem Merkmal vorgegebene Merkmalswerte zugeordnet sind,
mit einer Vielzahl künstlicher Neuronen, denen erfasste Signale, die zumindest einen Teil des Bildes beschreiben, zuführbar sind,
wobei die künstlichen Neuronen zumindest teilweise in Neuronenschichten angeordnet sind, wobei jeweils eine Neuronenschicht vorgesehen ist für jeden Merkmalswert des Merkmals,
wobei die künstlichen Neuronen zumindest teilweise über gewichtete Kopplungen miteinander gekoppelt sind,
mit einem Synchronisationselement, welches in einer Trainingsphase zumindest einen Teil gewichteter erster Kopplungen mit den künstlichen Neuronen abhängig von einem aus dem Bild erfassten Merkmalswert und einem Zielmerkmalswert eines Zielobjekts verändern kann, und
mit einem mit den künstlichen Neuronen über gewichtete zweite Kopplungen gekoppelten Dämpfungselement, das die Ausgabe eines Ausgabewerts, der zumindest einen Teil des Ermittlungsergebnisses repräsentiert, jeweils nur eines Teils von künstlichen Neuronen ermöglicht und die Ausgabe eines Ausgabewerts aller weiteren künstlichen Neuronen der jeweiligen Neuronenschicht dämpft oder unterdrückt.
2. Anordnung nach Anspruch 1, bei der das Dämpfungselement derart eingerichtet ist, dass es die Ausgabe eines Ausgabewerts nur von einem künstlichen Neuron einer Neuronenschicht ermöglicht und die Ausgabe eines Ausgabewerts aller weiteren künstlichen Neuronen der jeweiligen Neuronenschicht dämpft oder unterdrückt.
3. Anordnung nach Anspruch 1 oder 2, bei der in jeder Neuronenschicht pro Merkmalswert eines Merkmals eine Vielzahl künstlichen Neuronen vorgesehen ist.
4. Anordnung nach einem der Ansprüche 1 bis 3, bei der das Synchronisationselement derart eingerichtet ist, dass es in der Trainingsphase zumindest einen Teil der gewichteten ersten Kopplungen abhängig von einem aus dem Bild erfassten Merkmalswert und einem Zielmerkmalswert eines Zielobjekts verändern kann derart, dass diese Veränderung stärker ist als die Gewichtsveränderung der weiteren ersten Kopplungen.
5. Anordnung nach Anspruch 4, bei dem die Gewichtsveränderung und/oder die Gewichte der ersten Kopplungen der künstlichen Neuronen, die einen Trainings-Ausgabewert erzeugen, die mit dem Zielmerkmalswert übereinstimmen, im wesentlichen gleich ist/sind.
6. Anordnung nach Anspruch 5, bei dem die Gewichtsveränderung und/oder die Gewichte der ersten Kopplungen der weiteren künstlichen Neuronen den gleichen Betrag wie die Gewichtsveränderung und/oder die Gewichte der ersten Kopplungen der künstlichen Neuronen, die einen Trainings-Ausgabewert erzeugen, die mit dem Zielmerkmalswert übereinstimmen, aufweisen, jedoch mit umgekehrten Vorzeichen.
7. Anordnung nach einem der Ansprüche 1 bis 6, bei dem innerhalb einer Neuronenschicht jedes künstliche Neuronen mit jedem weiteren künstlichen Neuron derselben Neuronenschicht über gewichtete zweite Kopplungen gekoppelt ist.
8. Anordnung nach Anspruch 7, bei dem die Gewichtsveränderungen und/oder die Gewichtungen der zweiten Kopplungen gleich sind.
9. Anordnung nach einem der Ansprüche 1 bis 8, bei der zumindest ein Teil der künstlichen Neuronen jeweils als ein gepulstes künstliches Neuron ausgestaltet ist.
10. Anordnung nach Anspruch 9, bei der alle künstlichen Neuronen als gepulste künstliche Neuronen ausgestaltet sind.
11. Anordnung nach Anspruch 9 oder 10, bei der die gepulsten künstlichen Neuronen künstliche Integrations-Feuer-Neuronen sind.
12. Anordnung nach einem der Ansprüche 1 bis 11, bei der zumindest ein Teil der künstlichen Neuronen einer Neuronenschicht jeweils mit einem künstlichen Neuron zumindest eines Teils der anderen Neuronenschichten gekoppelt ist, das sich innerhalb der beiden jeweiligen Neuronenschichten an der gleichen örtlichen Position befindet.
13. Verfahren zum Trainieren einer Anordnung zum Ermitteln der Position eines Objekts in einem Bild, wobei das Objekt mit mindestens einem Merkmal beschrieben wird, welchem Merkmal vorgegebene Merkmalswerte zugeordnet sind, wobei die Anordnung aufweist:
eine Vielzahl künstlicher Neuronen, denen erfasste Signale, die zumindest ein Teil des Bildes beschreiben, zuführbar sind,
wobei die künstlichen Neuronen zumindest teilweise in Neuronenschichten angeordnet sind, wobei jeweils eine Neuronenschicht vorgesehen ist für jeden Merkmalswert des Merkmals,
wobei die künstlichen Neuronen zumindest, teilweise über gewichtete Kopplungen miteinander gekoppelt sind,
ein Synchronisationselement, welches in einer Trainingsphase zumindest einen Teil gewichteter erster Kopplungen mit den künstlichen Neuronen abhängig von einem aus dem Bild erfassten Merkmalswert und einem Zielmerkmalswert eines Zielobjekts verändern kann, und
ein mit den künstlichen Neuronen über gewichtete zweite Kopplungen gekoppeltes Dämpfungselement, das die Ausgabe eines Ausgabewerts, der zumindest einen Teil des Ermittlungsergebnisses repräsentiert, jeweils nur eines Teils von künstlichen Neuronen ermöglicht und die Ausgabe eines Ausgabewerts aller weiteren künstlichen Neuronen der jeweiligen Neuronenschicht dämpft oder unterdrückt,
wobei das Verfahren folgende Schritte aufweist:
  • - aufgrund der erfassten Signale von den künstlichen Neuronen werden Ausgabewerte erzeugt,
  • - die Ausgabewerte werden mit dem vorgegebenen Zielmerkmalswert des Zielobjekts verglichen,
  • - die Gewichte der ersten Kopplungen der künstlichen Neuronen, die einen Ausgabewert erzeugen, der mit dem Zielmerkmalswert des Zielobjekts übereinstimmt, werden verändert.
DE10050062A 2000-10-10 2000-10-10 Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung Withdrawn DE10050062A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE10050062A DE10050062A1 (de) 2000-10-10 2000-10-10 Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE10050062A DE10050062A1 (de) 2000-10-10 2000-10-10 Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung

Publications (1)

Publication Number Publication Date
DE10050062A1 true DE10050062A1 (de) 2002-05-02

Family

ID=7659220

Family Applications (1)

Application Number Title Priority Date Filing Date
DE10050062A Withdrawn DE10050062A1 (de) 2000-10-10 2000-10-10 Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung

Country Status (1)

Country Link
DE (1) DE10050062A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10209082A1 (de) * 2002-03-01 2003-09-18 Infineon Technologies Ag Bildsegmentierungs-Einrichtung und Verfahren zum Segmentieren eines Bildes mit einer Vielzahl von Bildpunkten

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10209082A1 (de) * 2002-03-01 2003-09-18 Infineon Technologies Ag Bildsegmentierungs-Einrichtung und Verfahren zum Segmentieren eines Bildes mit einer Vielzahl von Bildpunkten

Similar Documents

Publication Publication Date Title
DE68926680T2 (de) Durch sinnesfunktion gesteuerter regler
DE3688178T2 (de) Verfahren zur Bildextraktion eines sich bewegenden Objekts.
DE112018002822T5 (de) Klassifizieren neuronaler netze
DE102019100575A1 (de) Verfahren und system zum erzeugen eines bereichsbildes unter verwendung von daten mit geringer tiefe
DE3938645C1 (de)
DE102019209644A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
EP3977430A1 (de) Verfahren und vorrichtung zur detektion von rauch
WO2021185507A1 (de) Anonymisierungseinrichtung, überwachungsvorrichtung, verfahren, computerprogramm und speichermedium
DE102021201777A1 (de) Verfahren zur Verhaltenserkennung, Vorrichtung zur Verhaltenserkennung und computerlesbares Aufzeichnungsmedium
DE112017007247B4 (de) Bildverarbeitungsvorrichtung
DE4121453C2 (de) Näherungsschlußfolgerungsvorrichtung
DE3511697C2 (de)
DE19611732C1 (de) Verfahren zur Ermittlung von zur Entfernung geeigneten Gewichten eines neuronalen Netzes mit Hilfe eines Rechners
DE10050062A1 (de) Anordnung zum Ermitteln der Position eines Objekts in einem Bild und Verfahren zum Trainieren der Anordnung
EP1145086B1 (de) Verfahren und anordnung zur ermittlung eines ähnlichkeitsmasses einer ersten struktur mit mindestens einer vorgegebenen zweiten struktur
DE10234085A1 (de) Verfahren zur Analyse von Farbabweichungen von Bildern mit einem Bildsensor
EP0978052B1 (de) Rechnergestütztes verfahren zur auswahl von trainingsdaten für ein neuronales netz
EP3518180B1 (de) Verfahren zur erstellung einer bildstapel-datenstruktur
EP3830754B1 (de) Verfahren und vorrichtung zum ermitteln einer erklärungskarte
DE10048308B4 (de) Verfahren und Vorrichtung zum Klassifizieren von Objekten aus als Pixelmuster vorliegenden eingangsseitigen Bilddaten
EP1359539A2 (de) Neurodynamisches Modell der Verarbeitung visueller Informationen
DE19652925A1 (de) Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild
DE102019218448A1 (de) Testen von Kombinationen aus Software und Hardware
EP1114398B1 (de) Verfahren zum trainieren eines neuronalen netzes, verfahren zur klassifikation einer folge von eingangsgrössen unter verwendung eines neuronalen netzes, neuronales netz und anordnung zum trainieren eines neuronalen netzes
WO2004003782A1 (de) Verfahren zur erstellung von daten, die für die beurteilung kognitiver oder sensomotorischer leistungsfähigkeiten oder leistungen von testpersonen verwendbar sind

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8139 Disposal/non-payment of the annual fee